一种基于多阶段迁移学习的强迫振荡分层定位方法技术

本发明专利技术公开了一种基于多阶段迁移学习的强迫振荡分层定位方法。该方法包括离线训练和在线定位两部分。首先依据发电机相关性对电力系统进行分区，将各分区振荡主成分的平滑伪Wigner‑Ville分布进行图像化，形成区间WVD图像。然后对预训练的卷积神经网络进行第一阶段迁移学习，得到第一层分区定位模型。输入定位分区的区内WVD图像，再对分区定位模型进行第二阶段迁移学习，得到第二层机组定位模型。最后验证本方法的离线定位正确率。通过先后将实际发生强迫功率振荡的区间和区内WVD图像分别输入到分区定位模型和机组定位模型，实现扰动源的在线定位。本发明专利技术不仅能够具有较高的定位准确率，并具有定位速度快，适应性高、鲁棒性强等特点。

A hierarchical location method of forced oscillation based on multi-stage transfer learning

【技术实现步骤摘要】
一种基于多阶段迁移学习的强迫振荡分层定位方法
本专利技术涉及一种强迫振荡分层定位方法，尤其涉及一种基于多阶段迁移学习的强迫振荡分层定位方法。
技术介绍
在区域大电网互联的背景下，电力系统发生低频振荡的风险日益增加。强迫功率振荡作为低频振荡的一种，由于它的零衰减特性，一旦发生且不及时处理，则可能严重威胁电力系统的安全稳定运行。其发生是由于电力系统中存在持续周期性的扰动源，最直接的抑制方法是在电网中找到扰动源的位置并将其快速切除。但是，当扰动源的扰动频率等于或接近系统固有频率时，电力系统会出现多区域多机组同时发生低频振荡，难以从各机组振荡幅度上判断扰动源位置，所以快速准确定位电力系统中强迫振荡扰动源具有重要意义。目前强迫振荡扰动源定位的方法主要有行波检测法和暂态能量函数法等，这些方法主要通过在一些比较重要的假设前提下，依据系统的数学模型建立扰动源的定位判据。但随着电网规模的扩大，系统运行方式更加多变，会导致上述方法的一些重要前提假设不再成立。例如在使用行波检测法定位时，对于发生多模式振荡的情况，该技术还不够成熟，可能会导致误判；在使用暂态能量函数定位扰动源时，对于网络损耗较大的情况，可能会得到两个甚至多个定位结果。目前已有研究指出暂态能量函数法对于电力系统网络和负荷设置了过于严格的模型假设，导致在实际电力系统发生强迫功率振荡的情况下具有较大局限性。此外，随着电网大区域互联态势的发展，电网特性愈加复杂，仅靠从强迫振荡物理机理本身和人工经验入手解决扰动源定位问题难度不断提高，并且存在着使用条件苛刻，准确率低等问题。而且，从全网角度分析扰动源的定位问题由于要将全网数据进行传输和处理，会存在数据量过大和信息冗余的问题。因此亟需研究一种快速准确的强迫功率振荡扰动源定位方法。
技术实现思路
专利技术目的：为克服现有技术的缺陷，本专利技术提供一种基于多阶段迁移学习的强迫振荡分层定位方法。技术方案：本专利技术所述的基于多阶段迁移学习的强迫振荡分层定位方法包括以下步骤：基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，包括离线训练过程和在线定位过程；所述离线训练过程包括：(1)对电力系统进行特征值分析，根据特征值和特征向量评估发电机之间的相关性，对整个系统的发电机进行分区；(2)在不同负荷水平下对所述电力系统中各台发电机的原动机转矩或者励磁输入上施加正弦波扰动来进行强迫功率振荡的批量仿真，获取批量强迫功率振荡数据样本；(3)对各个分区的发电机振荡信号进行主成分分析，提取每个分区的最大特征值所对应的特征向量为第一主成分，并将各个分区的第一主成分使用平滑伪Wigner-Ville分布进行变换得到各区振荡信号能量的时频分布，再对其进行图像化处理，形成强迫振荡区间WVD图像；(4)使用预训练的卷积神经网络对步骤(3)中生成的WVD图像进行训练得到定位扰动源所在分区的第一层分区定位模型；(5)将扰动源所在分区内部各台发电机的振荡信号使用平滑伪Wigner-Ville分布进行变换，并形成强迫振荡区内WVD图像；(6)将步骤(4)训练得到的第一层分区定位模型应用迁移学习来训练能够定位各个分区内部扰动源所在机组的第二层机组定位模型；(7)对卷积神经网络定位模型的正确率进行验证，若正确率不足95％，则通过对卷积神经网络增加迭代次数的方法对模型继续进行训练，直到超过预定正确率阈值；所述在线定位过程包括：(8)当在实际系统监测到发生强迫功率振荡时，各分区调度中心采集区域内各PMU子站的发电机功率振荡数据；(9)对各个分区振荡信号进行主成分分析，并提取各分区的第一主成分上传到总调度中心；(10)在总调度中心对各分区振荡信号第一主成分进行WVD变换，并进行图像化处理，形成区间WVD图像；(11)将区间WVD图像输入第一层分区定位模型，定位扰动源所在分区；(12)根据分区定位结果调取定位扰动源所在分区内部各发电机振荡信号，并对其内部的发电机振荡信号进行WVD变换和进行图像化处理，形成所述扰动源所在分区区内WVD图像；(13)将所述电力系统的所述扰动源所在分区区内WVD图像输入第二层机组定位模型，定位扰动源所在机组。有益效果：与现有技术相比，本专利技术的优点为：1)通过对强迫功率振荡信号使用平滑伪Wigner-Ville分布进行变换，不仅能够较好抑制交叉项对Wigner-Ville分布的影响，还能反映强迫功率振荡信号能量随时频分布的特点，以凸显强迫功率振荡信号特征。2)使用了多阶段卷积神经网络迁移学习对强迫功率振荡扰动源进行定位，利用整个电力系统中定位具体分区和分区中定位具体扰动源的相似性，仅需对部分层进行训练，使第二阶段训练利用了第一阶段学习到的知识，减少了训练量。相比传统的机器学习算法，不仅在定位扰动源的效果上准确性高，而且具有不需要对数据集进行特征工程和适应性强的优势。3)使用了分层式定位方法，在进行大区定位时仅需每个分区上传第一主成分分量，大大减少了上传至上一级调度中心的数据量，缓解了通信压力和调度中心的数据处理负担，具有可操作性高，适用性强的特点。附图说明图1为本专利技术的一种基于多阶段迁移学习的强迫振荡分层定位方法的流程图；图2为本专利技术一个实施例中涉及的WECC179节点系统分区示意图；图3为本专利技术一个实施例中得到的用于卷积神经网络分区定位模型训练的典型强迫振荡区间WVD图像；图4为本专利技术一个实施例中得到的各区域用于卷积神经网络机组定位模型训练的典型强迫振荡区内WVD图像。具体实施方式下面结合附图对本专利技术作进一步详细描述。本专利技术的基于多阶段迁移学习的强迫振荡分层定位方法的大致过程包括离线训练过程和在线定位过程。离线训练过程大致为：首先依据发电机相关性对整个电力系统进行分区，在各分区内提取其振荡主成分，并采用平滑伪Wigner-Ville分布(WVD)进行变换，将其图像化后得到强迫振荡区间WVD图像。然后对预训练的卷积神经网络进行第一阶段迁移学习，得到能够定位扰动源所在分区的第一层分区定位模型。再输入分区内部各机组WVD图像，使用第一层定位模型进行第二阶段迁移学习，训练定位各个分区内部扰动源所在机组的第二层机组定位模型。最后对神经网络定位模型的正确率进行验证。在线定位过程大致为：针对在实际电力系统中发生的强迫功率振荡，先后将该振荡的强迫振荡区间WVD图像和区内WVD图像分别输入到第一层分区定位模型和第二层机组定位模型，实现扰动源所在发电机的定位。具体地，离线训练过程实现步骤如下：步骤一：对电力系统进行特征值分析，根据特征值和特征向量评估发电机之间的相关性，对整个系统的发电机进行分区。本实施例的电力系统采用WECC179节点系统，对其进行分区的具体步骤如下：(1)依据WECC179节点系统模型，建立系统的非线性微分方程组和非线性代数方程组，如下所示：其中，xi为第i个系统状态变量，n为系统状态变量数，m为系统非线性微分方程数。(2)在稳态运行点进行线性化，得到线性化方程式：...

【技术保护点】
1.一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，包括离线训练过程和在线定位过程；/n所述离线训练过程包括：/n(1)对电力系统进行特征值分析，根据特征值和特征向量评估发电机之间的相关性，对整个系统的发电机进行分区；/n(2)在不同负荷水平下对所述电力系统中各台发电机的原动机转矩或者励磁输入上施加正弦波扰动来进行强迫功率振荡的批量仿真，获取批量强迫功率振荡数据样本；/n(3)对各个分区的发电机振荡信号进行主成分分析，提取每个分区的最大特征值所对应的特征向量为第一主成分，并将各个分区的第一主成分使用平滑伪Wigner-Ville分布进行变换得到各区振荡信号能量的时频分布，再对其进行图像化处理，形成强迫振荡区间WVD图像；/n(4)使用预训练的卷积神经网络对步骤(3)中生成的WVD图像进行训练得到定位扰动源所在分区的第一层分区定位模型；/n(5)将扰动源所在分区内部各台发电机的振荡信号使用平滑伪Wigner-Ville分布进行变换，并形成强迫振荡区内WVD图像；/n(6)将步骤(4)训练得到的第一层分区定位模型应用迁移学习来训练能够定位各个分区内部扰动源所在机组的第二层机组定位模型；/n(7)对卷积神经网络定位模型的正确率进行验证，若正确率不足95％，则通过对卷积神经网络增加迭代次数的方法对模型继续进行训练，直到超过预定正确率阈值；/n所述在线定位过程包括：/n(8)当在实际系统监测到发生强迫功率振荡时，各分区调度中心采集区域内各PMU子站的发电机功率振荡数据；/n(9)对各个分区振荡信号进行主成分分析，并提取各分区的第一主成分上传到总调度中心；/n(10)在总调度中心对各分区振荡信号第一主成分进行WVD变换，并进行图像化处理，形成区间WVD图像；/n(11)将区间WVD图像输入第一层分区定位模型，定位扰动源所在分区；/n(12)根据分区定位结果调取定位扰动源所在分区内部各发电机振荡信号，并对其内部的发电机振荡信号进行WVD变换和进行图像化处理，形成所述扰动源所在分区区内WVD图像；/n(13)将所述电力系统的所述扰动源所在分区区内WVD图像输入第二层机组定位模型，定位扰动源所在机组。/n...

【技术特征摘要】
1.一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，包括离线训练过程和在线定位过程；
所述离线训练过程包括：
(1)对电力系统进行特征值分析，根据特征值和特征向量评估发电机之间的相关性，对整个系统的发电机进行分区；
(2)在不同负荷水平下对所述电力系统中各台发电机的原动机转矩或者励磁输入上施加正弦波扰动来进行强迫功率振荡的批量仿真，获取批量强迫功率振荡数据样本；
(3)对各个分区的发电机振荡信号进行主成分分析，提取每个分区的最大特征值所对应的特征向量为第一主成分，并将各个分区的第一主成分使用平滑伪Wigner-Ville分布进行变换得到各区振荡信号能量的时频分布，再对其进行图像化处理，形成强迫振荡区间WVD图像；
(4)使用预训练的卷积神经网络对步骤(3)中生成的WVD图像进行训练得到定位扰动源所在分区的第一层分区定位模型；
(5)将扰动源所在分区内部各台发电机的振荡信号使用平滑伪Wigner-Ville分布进行变换，并形成强迫振荡区内WVD图像；
(6)将步骤(4)训练得到的第一层分区定位模型应用迁移学习来训练能够定位各个分区内部扰动源所在机组的第二层机组定位模型；
(7)对卷积神经网络定位模型的正确率进行验证，若正确率不足95％，则通过对卷积神经网络增加迭代次数的方法对模型继续进行训练，直到超过预定正确率阈值；
所述在线定位过程包括：
(8)当在实际系统监测到发生强迫功率振荡时，各分区调度中心采集区域内各PMU子站的发电机功率振荡数据；
(9)对各个分区振荡信号进行主成分分析，并提取各分区的第一主成分上传到总调度中心；
(10)在总调度中心对各分区振荡信号第一主成分进行WVD变换，并进行图像化处理，形成区间WVD图像；
(11)将区间WVD图像输入第一层分区定位模型，定位扰动源所在分区；
(12)根据分区定位结果调取定位扰动源所在分区内部各发电机振荡信号，并对其内部的发电机振荡信号进行WVD变换和进行图像化处理，形成所述扰动源所在分区区内WVD图像；
(13)将所述电力系统的所述扰动源所在分区区内WVD图像输入第二层机组定位模型，定位扰动源所在机组。


2.根据权利要求1所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，步骤(2)中，所述低频振荡数据样本指各台发电机输出的有功功率信号。


3.根据权利要求1所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，所述步骤(3)包括以下步骤：
(31)将每个分区的各台发电机振荡信号组成一个表征该分区振荡信息的多元时间序列Di∈RN*M，i＝1,2,...,X，其中X为分区个数，N为发电机节点的数目，M为录波信号的采样点数目；
(32)分别对每个分区的多元时间序列Di分别进行主成分分析，提取每个分区的第一主成分；
(33)使用平滑伪Wigner-...

【专利技术属性】
技术研发人员：冯双，陈佳宁，史豪，汤奕，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32